NVIDIA、40言語対応の音声モデルNemotron 3.5 Transcribeを公開

NVIDIAは、40言語の録音をテキスト指示とともに処理するオープンウェイトのオフライン音声モデル「NVIDIA-Nemotron-3.5-Transcribe-30B-A4B」をHugging Faceで公開しました。総パラメータ34Bのうち活性は音声エンコーダーを含めて約4.3Bで、コンテキスト長65,536 tokens、最大1時間の録音に対応します。

何ができるモデルか

NVIDIAはこのモデルをSpeech-Augmented Language Model(SALM)として開発しました。音声とテキストを入力してテキストを出力し、任意で単語単位のタイムスタンプを付けられます。対応タスクは以下のとおりです。

• 逐語形式・文章形式の転記
• 文脈付き転記、話者属性付き転記、リッチ転記
• 音声翻訳、言語識別、音声質問応答

学習データには少量のテキスト指示追従とPIIのタグ付け・レダクションのタスクも含みます。アーキテクチャはMamba-2–TransformerハイブリッドのMixture of Expertsで、Transformer ASRエンコーダーと話者エンコーダーからなるParallel Expert Encoderを備えます。ベースモデルはnvidia/NVIDIA-Nemotron-3.5-Lightning-30B-A3B-BF16です。

ベンチマーク

NVIDIAは2026年10月12日に取得した結果として、次の2指標で次点の公開結果との比較を示しています(誤り率、低いほど良い)。

能力	ベンチマーク	指標	Nemotron 3.5 Transcribe	次点
Multi-speaker ASR	AMI、CALLHOME、Mixer 6、NOTSOFAR-1 full sessions	Mean cpWER	15.80	DiCoW v3.3 + DiariZen 16.83
Style control	Preference-ASR	WER(デフォルト/指示あり)	7.56 / 6.16	Canary-Qwen 8.16 / 8.36

提供形式と動かし方

• 精度: BF16(フル精度の参照重み)、FP8版nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B-FP8、NVFP4版nvidia/NVIDIA-Nemotron-3.5-Transcribe-30B-A4B-NVFP4
• デプロイ要件: 1× H100 80 GB
• 投機的デコード: ネイティブMulti-Token Prediction(MTP)、任意でDFlash2ドラフトモデル
• reasoning mode: chat templateでenable_thinking=True/Falseを切り替え
• 推奨サンプリング: 転記・翻訳・言語識別はtemperature 0・reasoning off、音声理解はtemperature 0.6・top_p 0.95・reasoning on

NVFP4は、NVIDIAがBlackwell向けに導入したAI推論の量子化用の低精度浮動小数点形式です。

ライセンス

ライセンスはOpenMDW-1.1で、NVIDIAは商用・非商用のいずれの利用にも対応するとしています。